Vision Transformer (ViT)自發(fā)布以來獲得了巨大的人氣，并顯示出了比基于CNN的模型(如ResNet)更大的潛力。但是為什么Vision Transformer比CNN的模型更好呢？最近發(fā)表的一篇文章“Do Vision Transformers See Like Convolutional Neural Networks?”指出，ViT的優(yōu)勢來自以下幾個方面：

ViT不同層的特征更加均勻，而CNN模型不同層的特征呈網(wǎng)格狀

ViT的低層的注意力包含全局信息，而CNN的性質(zhì)在低層只關注局部

在ViT的較高層中，跳躍連接在信息傳播中發(fā)揮突出作用，而ResNet/CNN跳躍連接在較高層中傳遞的信息較少

此外，數(shù)據(jù)的規(guī)模和全局平均池化的使用都會對ViT的表示產(chǎn)生很大的影響。

ViT和CNN的主要區(qū)別

首先，讓我們看看下面的兩個架構，ViT和一個典型的CNN模型ResNet50。ResNet50接收整個狗圖像，并進行2D卷積，內(nèi)核大小為7×7，用殘差塊疊加50層，最后附加一個全局平均池化和一個dense層，將圖像分類為“狗”。ViT首先將狗圖像分解為16*16個patch，將每個patch視為一個“token”，然后將整個token序列送入transformer編碼器，該編碼器由多頭自注意力塊組成，編碼器特征隨后被發(fā)送到MLP層，用于分類“狗”類。

上: ResNet50; 下: ViT

對于兩個長度不同的特征向量，很難衡量它們的相似性。因此，作者提出了一種特殊的度量，中心核對齊(CKA)，整個論文中都在使用這個。假設X和Y是m個不同樣本的特征矩陣，K=XX^T^, L=YY^T^，則利用Hilbert-Schmidt獨立準則(HSIC)的定義，定義CKA如下：

X和Y越相似，CKA值越高。更多的定義細節(jié)可以在論文的第3節(jié)中找到。

有了CKA的定義，一個自然的問題出現(xiàn)了：ViT和CNN的不同層的特征有多相似？作者表明，模式是相當不同的， ViT在所有層上有一個更統(tǒng)一的特征表示，而CNN/ResNet50在較低和較高的層上有一個網(wǎng)格狀的模式。這意味著ResNet50在它的低層和高層之間學習不同的信息。

左：ViT各層特征對之間的CKA值，右:ResNet50所有層的特性對之間的CKA值。

但是ResNet在其較低層次和較高層次學習的“不同信息”是什么呢？我們知道對于CNN模型，由于卷積核的性質(zhì)，在較低的層只學習局部信息，在較高的層學習全局信息。所以在不同的層之間有一個網(wǎng)格狀的模式就不足為奇了。那么我們不禁要問，ViT怎么？?ViT是否也在其底層學習局部信息？

如果我們進一步觀察自注意力頭，我們知道每個token會關注所有其他token。每個被關注的token都是一個查詢patch，并被分配一個注意力權重。由于兩個“token”代表兩個圖像patch，我們可以計算它們之間的像素距離。通過將像素距離和注意力權重相乘，定義了一個“注意力距離”。較大的注意力距離意味著大多數(shù)“遠處的patch”具有較大的注意權重——換句話說，大多數(shù)注意力是“全局的”。相反，小的注意距離意味著注意力是局部的。

注意力距離的計算

作者進一步研究了ViT中的注意力距離。從下面的結果中，我們可以看到，雖然從較高層(block 22/23，紅色高亮顯示)的注意力距離主要包含全局信息，但是，即使是較低層(block 0/1，紅色高亮顯示)仍然包含全局信息。這和CNN的模型完全不同。

現(xiàn)在我們知道ViT甚至在它的底層也學習全局表示，下一個要問的問題是，這些全局表示會忠實地傳播到它的上層嗎？如果是這樣，是怎么實現(xiàn)的？

作者認為關鍵是ViT的跳躍連接。對于每個block，在自注意力頭和MLP頭上都存在跳躍連接。通過將跳躍連接的特征的范數(shù)除以通過長分支的特征的范數(shù)，作者進一步定義了一個度量：歸一化比率(Ratio of norm, RoN)。他們發(fā)現(xiàn)了驚人的相變現(xiàn)象，在較低的層次上，分類(CLS)token的RoN值很高，而在較高的層次上則低得多。這種模式與空間token相反，其中RoN在較低的層中較低。

歸一化比率:|z|/|f(z)|。其中z是通過跳躍連接的特特征。F (z)是經(jīng)過長分支的特征。

如果他們進一步刪除ViT不同層的跳躍連接，那么CKA映射將如下所示。這意味著跳躍連接是使ViT不同層之間的信息流成為可能的主要(如果不是全部的話)機制之一。

除了強大的跳躍連接機制和在較低層次學習全局特征的能力外，作者還進一步研究了ViT在較高層次學習精確位置表示的能力。這種行為與ResNet非常不同，因為全局平均池化可能會模糊位置信息。

此外，作者指出，有限的數(shù)據(jù)集可能會阻礙ViT在較低層次學習局部表示的能力。相反，更大的數(shù)據(jù)集特別有助于ViT學習高質(zhì)量的中間層表示。